QSAR與虛擬藥物篩選之研究(I)

Abstract

分子嵌合（molecular docking）與quantitative structure-activity relationship（QSAR）是電腦輔 助藥物設計的重要核心技術，過去的研究顯示，蛋白質-配體嵌合（protein-ligand docking）程式所預 測之結合模式已接近實際的蛋白質-配體複合物（protein-ligand complex）的結晶結構，但其能量函式 卻仍無法反映真實的生化結合能量值（如binding affinity 或IC50）。而3D-QSAR 的分析方法（如CoMFA 或COMBINE）則面臨分子3D 結構的疊合及分子特性敘述子的選擇（feature selection）等問題。近五 年內我們在電腦輔助藥物設計共發表7 篇期刊論文1-7，我們已成功發展一分子嵌合與虛擬藥物篩選工 具（稱為GEMDOCK1,2,7）及一QSAR 的預測工具（稱為GEMQSAR8,9）。目前雖然GEMDOCK 已有 非常好之預測效果，但其能量計算函式仍無法精確地反映真實的生化結合能量值，而GEMQSAR 也 如其他3D-QSAR 方法，仍然面臨化合物3D 結構疊合的問題。 本計畫希望透過結合分子嵌合工具及QSAR 方法，同時提升GEMDOCK 與GEMQSAR 的預測精 確度。原本GEMQSAR 是以演化式計算方法選擇重要特徵，並以PLS（partial least square）回歸分析 的方法來建立QSAR 模型，本計畫將結合kNN（k-nearest neighbor）與PLS，依預測分子與已知分子 的相似度決定使用kNN 或PLS，以強化GEMQSAR 原型之不足，使其能夠更精確的預測分子之生化 活性。另一方面，GEMDOCK 則透過GEMQSAR 得到的交互作用力量與分子藥物特性資訊 （pharmacophore profile），提升GEMDOCK 能量計算函式的準確性，讓最後docking 得到的結構與能 量均能夠直接反映真實的結合狀況。 本計畫的核心步驟是首先利用我們已發展成熟的分子嵌合工具（GEMDOCK），針對特定目標蛋 白質的已知抑制劑或受質產生多重立體嵌合構造，藉由docking 過程和蛋白質的交互作用，自然得到 最佳的分子立體構造的疊合。再由這些已經過良好疊合的分子立體構造萃取交互作用力與其分子結 構、物化特性，利用我們已初步發展成功的QSAR 工具（GEMQSAR），建立特定目標蛋白質的QSAR 模型，並將GEMQSAR 分析過程中得到的重要交互作用力或分子藥物特性作為GEMDOCK 之scoring function 的強化基礎，以及GEMDOCK 工具搜尋的指引，進一步修正並改進docking 過程的參數，提 升GEMDOCK 能量計算函式的準確性，讓最後docking 得到的結構與能量都能夠直接反映真實的結合 狀況。並將之應用到GEMDOCK 的高速虛擬藥物篩選上，反映結合狀態之細微差異並提升虛擬藥物 篩選的準確性，克服分子嵌合與QSAR 單一方法的不足，進而加速藥物開發過程並節省開發經費。 我們未來亦將採用數個已知廣泛應用的蛋白質目標作為此工具的驗證與測試，如人類免疫力缺乏 病毒第一型（HIV-1）蛋白.與乙醯膽鹼酯化.（AChE），並且應用到實際的蛋白質標的上，如屬於 含銅胺類氧化.（Copper-containing amine oxidase）的Arthrobacter globiformis histamine oxidase （AGHO）的真實抑制劑之篩選。 我們希望建立一個結合QSAR 活性預測（GEMQSAR）與分子嵌合工具（GEMDOCK）的高速藥物 篩選系統，此系統將可針對每一個特定目標建立專屬的pharmacophore profile。此一profile 資訊將可以 應用到實際的蛋白質抑制劑/受質的搜尋，並能同時預測潛在抑制劑/受質的生化活性，我們相信此研究 對於蛋白質特性的研究與藥物研究開發具有極大價值。